Number of the records: 1
Nonparametric bootstrap for estimating variability of robust regression estimators
- 1.
SYSNO ASEP 0517255 Document Type L4 - Software R&D Document Type Software Title Nonparametric bootstrap for estimating variability of robust regression estimators Author(s) Kalina, Jan (UIVT-O) RID, SAI, ORCID
Tichavský, Jan (UIVT-O)
Tobišková, Nicole (UIVT-O)Year of issue 2019 Int.Code Nonparametric Bootstrap 1.0 Technical parameters Kód v programovacím jazyce R spustitelný samostatně podle dokumentace, která je součástí jednotlivých souborů. Spuštění vyžaduje knihovnu robustbase. Dostupné pod licencí MIT. Economic parameters Software umožňuje uživateli odhadnout varianční matici robustních regresních odhadů pomocí neparametrického bootstrapu. Pro některé z odhadů by jiný způsob výpočtu byl značně složitý a vyžadoval by využít komerční software, pro LWS odhad není jiný způsob výpočtu ani známý. Software tak výrazně usnadňuje práci s robustními regresními odhady. Owner Name Ústav informatiky AV ČR, v. v. i. Registration Number of the result owner 67985807 License fee fee N - Poskytovatel licence nepožaduje licenční poplatek Language eng - English Country CZ - Czech Republic Keywords robust regression ; nonparametric bootstrap ; outliers ; covariance matrix Subject RIV IN - Informatics, Computer Science OECD category Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8) R&D Projects GA19-05704S GA ČR - Czech Science Foundation (CSF) Institutional support UIVT-O - RVO:67985807 Annotation While various robust regression estimators are available for the standard linear regression model, an explicit formula for the covariance matrix is available only for some of them. The procedure implemented in R software performs a nonparametric bootstrap computation of the covariance matrix for several available linear regression estimators: S-estimators, MM-estimators, least trimmed squares, and least weighted squares estimators. Especially for the least weighted squares estimator, this software allows a unique approximate computation, because the explicit formula for the covariance matrix depends on the unknown random errors. It is the main advantage of the presented (nonparametric) procedure that it does not rely on probabilistic assumptions for the random regression errors. Workplace Institute of Computer Science Contact Tereza Šírová, sirova@cs.cas.cz, Tel.: 266 053 800 Year of Publishing 2020 Electronic address https://github.com/jankalinaUI/Bootstrap-LWS
Number of the records: 1